Chapitre 4

Les Variables Aléatoires Discrètes

4.1 Généralités sur les Variables Aléatoires Réelles

4.1.1 Définition de Base, Notations et Exemple

Définition 4.1.1. (Variable aléatoire réelle). Soit (Ω, F) un espace probabilisable quel-
conque. On appelle variable aléatoire réelle sur (Ω, F) toute application X : Ω → R,
à valeurs réelles, vérifiant X −1 (I) ∈ F pour tout intervalle (ouvert) I de R, où par
définition, X −1 (I) := {ω ∈ Ω |X(ω) ∈ I} est l’image inverse/réciproque de l’intervalle I
par l’application X.
Dans ce cas, l’ensemble {X(ω) | ω ∈ Ω} des valeurs prises par X est noté X(Ω) ou
ΩX est appelé “univers-image” de la variable aléatoire réelle X.

Notations. Soit a et b deux nombres réels:

- Si I = {a}, alors X −1 (I) = {ω | X(ω) = a} est est noté par [X = a].
- Si I =] − ∞, a], alors X −1 (I) = {ω | X(ω) ≤ a} et est noté [X ≤ a].
- Si I =]a, b], alors X −1 (I) = {ω | a < X(ω) ≤ b} est noté [a < X ≤ b].

Exemple 4.1.2. On jette une fois un dé non pipé dont les faces sont numerotées de
1 à 6. Si la face apparue supérieurement est de chiffre pair, on gagne 5F . Sinon, on ne
gagne rien.
1) Décrire un espace probabilisable (Ω, F) représentant cette expérience du jet de dé.
2) Définir une variable aléatoire X associée à ce jeu. Donner son univers-image X(Ω).
Solution. Cf. cours.

4.1.2 Loi de Probabilité et Fonction de Répartition

Si X : Ω → R est une variable aléatoire (réelle). Comme ΩX ⊆ R, et que la collection
Σ := {I | I est un intervalle ouvert de R} est un sous-ensemble de P(ΩX ) qui n’est pas

34
MAT2023 UYI 2021 ©Pr. Mbele Bidima Chapitre 4. Les Variables Aléatoires Discrètes

nécessairement une sous σ-algèbre, on peut munir ΩX de la σ-algèbre σ(Σ) engendrée par
ces intervalles de R. On la note souvent B(R).

Théorème et Définition 4.1.3. (Loi de Probabilité et Fonction de Répartition). Soit

X une variable aléatoire réelle sur un espace probabilisable (Ω, F) muni d’une probabilité
P. Alors,
1) L’application notée PX definie sur B(R) par

PX (I) := P(X −1 (I)), pour tout intervalle ouvert I, (4.1)

vérifie les deux axiomes de probabilité sur l’univers-image ΩX muni de la σ-algèbre B(R).
On l’appelle “loi de probabilité”ou ”distribution de probabilité” de la variable aléatoire X,
ou encore ”probabilité-image” de P par la variable aléatoire X.
2) Et l’application FX : R → [0, 1] définie pour tout x ∈ R par

FX (x) := P(X −1 (] − ∞, x])) = P([X ≤ x]), (4.2)

est une fonction croissante appelée “fonction de répartition” (ou “fonction de distribution
cumulative”) de la variable aléatoire X.

Preuve. Triviale, en cours! 

Définition 4.1.4. (Comparaison de variables aléatoires). Soit X et Y deux variables

aléatoires définies sur un même espace probabilisé (Ω, F, P).
i) On dit que les deux variables ont la même loi (ou sont identiquement distribuées)
et on note X ∼ Y , si PX = PY ou FX = FY .
ii) X et Y sont dites égales P-presque sûrement (ou P-presque partout), on note X = Y
P-p.s. (ou P-p.p., en Anglais P-a.s. i.e., P-almost surely), si

P ({ω ∈ Ω|X(ω) = Y (ω)}) = 1 ou équivalemment P ({ω ∈ Ω|X(ω) 6= Y (ω)}) = 0. (4.3)

Toute fonction de répartition satisfait entre autres les propriétés suivantes,

Proposition 4.1.5. Soit X une variable aléatoire réelle sur un espace probabilisé
(Ω, F, P) et FX sa fonction de répartition. Alors:
1) limx→−∞ FX (x) = 0 et limx→+∞ FX (x) = 1.
1) Pour tout x ∈ R, on a P([X > x]) = 1 − FX (x).
2) Pour touts a, b ∈ R tels que a ≤ b, on a aussi P([a < X ≤ b]) = FX (b) − FX (a).
3) limx→−∞ FX (x) = 0 et limx→+∞ FX (x) = 1.

Preuve. 1) et 2) sont évidents. On admet 3). 

35
MAT2023 UYI 2021 ©Pr. Mbele Bidima Chapitre 4. Les Variables Aléatoires Discrètes

4.2 Variables Aléatoires Discrètes et leurs Lois

4.2.1 Définition, Fonctions Masse de Probabilité et de Répartition

Définition 4.2.1. Une variable aléatoire réelle X : Ω → R est dite “discrète” si
son univers-image X(Ω) est un ensemble fini ou (infini) dénombrable; i.e., si X(Ω) =
{x1 , x2 , ..., xN }, N ∈ N∗ , ou X(Ω) = {x1 , x2 , ..., xn , ...}.

Théorème 4.2.2. Soit X : Ω → R une variable aléatoire discrète. Alors,

1) On a
X
P[X = xk ] = 1. (4.4)
xk ∈X(Ω)

2) Par conséquent, la loi PX de X peut être déterminée pour tout I ∈ B(R) par
X
PX (I) = P[X = xk ]. (4.5)
xk ∈I

3) Et la fonction de répartition FX de X peut être calculée comme,

X
FX (x) = P[X = xk ], pour tout x ∈ R. (4.6)
xk ≤x

Preuve. En appliquant l’additivité finie ou dénombrable de P sur l’égalité suivante

 
[ [ [
[X = xk ] = X −1 ({xk }) = X −1  {xk } = X −1 (X(Ω)) = Ω, (4.7)
xk ∈X(Ω) xk ∈X(Ω) xk ∈X(Ω)

le résultat suit en appliquant le Théorème 2.2.7. 

Définition 4.2.3. (Fonction de masses de probabilité). La fonction p ≡ p(xk ) définie

sur X(Ω) par p(xk ) := P[X = xk ], pour k = 1, 2, ..., n, ..., est appelée fonction masses de
probabilité (notée f.m.p) de la variable aléatoire discrète X.

Exemple 4.2.4. Dans la question 1) de l’Exemple 4.1.2 précédent. On a défini la

variable aléatoire réelle X sur Ω = {1, 2, 3, 4, 5, 6} par X(1) = X(3) = X(5) = 0 et
X(2) = X(4) = X(6) = 5.
1) Donner la loi de probabilité PX de X.
2) Donner et tracer la fonction de répartition de X.
Preuve. Cf. Cours.

4.2.2 Espérance et Variance d’une Variable Discrète

Soit X une variable aléatoire réelle discrète sur un espace probabilisé (Ω, F, P).

36
MAT2023 UYI 2021 ©Pr. Mbele Bidima Chapitre 4. Les Variables Aléatoires Discrètes

Définition 4.2.5. (Espérance mathématique ou moyenne). On définit l’espérance

mathématique (ou moyenne) de X, notée E(X), de la manière suivante:
i) Si X est d’univers-image fini, X(Ω) = {x1 , x2 , ..., xN }, alors on pose E(X) :=
PN
k=1 xk P[X = xk ].

ii) Mais si X est d’univers-image infini dénombrable, X(Ω) = {x1 , x2 , ..., xn , ...}, alors
E(X) est définie si la série ∞
P
k=1 |x|P[X = xk ] est convergente, et dans ce cas on pose
P∞
E(X) := k=1 xP[X = xk ].

Ensuite,

Définition 4.2.6. (Variance et Ecart-type). i) On appelle variance de X notée

Var(X), l’espérance mathématique des carrés des écarts de X par rapport à la moyenne

2
(xk − EX)2 P[X = xk ] lorsque
P
E(X), i.e., la quantité Var(X) := E X − E(X) =
xk ∈ΩX
cette somme existe et est finie.
ii) Si la variance existe, on appelle écart type de X noté σX , la moyenne géométrique
p
des carrés des écarts de X par rapport à la moyenne pondérée E(X), i.e., σX := Var(X).

Lemme 4.2.7. Soit X une variable aléatoire discrète sur un espace probabilisé(Ω, F, P).
Si f : R → R est une fonction continue, alors Y := f ◦ X notée aussi f (X) est une vari-
able aléatoire discrète d’univers-image ΩY = f (ΩX ) = {f (xk ) | xk ∈ ΩX } et de fonction
de masse de probabilité celle PX de X.

Preuve. Admise! 

De ces définitions, en utilisant ce lemme, on peut établire les propriétés suivantes,

Proposition 4.2.8. Soit X une variable aléatoire discrète sur un espace probabilisé
(Ω, F, P). Alors,
1) Si X est constante de constante a ∈ R, alors E(X) = E(a) = a.
2) L’espérance mathématique est positive, i.e., si X ≥ 0, alors E(X) ≥ 0.
3) Pour tous a, b ∈ R, on a E(aX + b) = aE(X) + b.
4) Pour tous a, b ∈ R, on a Var(aX + b) = a2 Var(X).
5) Var(X) = E(X 2 ) − (E(X))2 (formule de De König).

Preuve. En cours!

Exemple 4.2.9. Déterminer l’espérance, la variance et l’écart-type de la variable

aléatoire discrète de l’exemple précédent.

Solution. Au cours ou en exercise!

37
MAT2023 UYI 2021 ©Pr. Mbele Bidima Chapitre 4. Les Variables Aléatoires Discrètes

4.3 Quelques Lois Discrètes Usuelles et leur Usage

4.3.1 La Loi de Bernoulli - Bernoulli(p)

On rappelle qu’étant donnée une expérience aléatoire, l’univers des possibles (ou en-
semble fondamental) Ω et l’événement impossible ∅ sont les seuls événements triviaux de
l’expérience.

Définition 4.3.1. (Epreuve de Bernoulli1 ). On appelle épreuve de Bernoulli, toute

expérience aléatoire n’ayant que deux événements non-triviaux: le succès noté S ou 1 et
son événement contraire appelé échec noté E ou 0.

Exemple 4.3.2. Jet d’un dé équilibré en observant si la face apparue est paire.

Remarque 4.3.3. Au cours d’un problème, en fonction de la question posée, on peut

définir soi-même le succès et ainsi que l’échec i.e., on peut soi-même voir l’expérience
aléatoire sous-djacente au problème comme étant une épreuve de Bernouilli en définissant
ou en identifiant ce qui est le succès. Son événement contraire sera alors l’échec.

Ensuite, on rappelle que si p ∈]0, 1[, alors la suite (p, 1 − p) génère une probabilité
notée Pb sur l’ensemble {1, 2} ou {0, 1}. Cette probabilité peut être utilisée comme loi
d’une variable aléatoire. En effet,

Définition 4.3.4. (Variable aléatoire de Bernoulli.) On dit qu’une variable aléatoire

(discrète) X a la loi de Bernoulli de paramètre p, 0 < p < 1, si X est définie sur l’univers
des possibles Ω d’une épreuve de Bernoulli et prend la valeur 1 sur le succès S avec la
probabilité p et la valeur 0 sur l’échec E avec la probabilité 1 − p. Dans ce cas on note
X ∼ Bernoulli(p).

Proposition 4.3.5. Pour toute variable aléatoire X ∼ Bernoulli(p), on a

1) X(Ω) = {0, 1}.
2) La fonction de masse de probabilité de X est P[X = k] = pk (1 − p)1−k , k = 0, 1.
3) E(X) = p et Var(X) = p(1 − p).

Preuve. Immédiate! 

4.3.2 La Loi Binomiale - B(n, p)

Définition 4.3.6. (Variable aléatoire binomiale). On dit qu’une variable aléatoire
(discrète) X a la loi binomiale de paramètres n et p (avec n ∈ N∗ et 0 < p < 1) si
X est le nombre de succès obtenus au cours de n épreuves de Bernoulli indentiques et
1
Daniel Bernoulli (1700-1782) était un Mathématicien et Physicien Suisse.

38
MAT2023 UYI 2021 ©Pr. Mbele Bidima Chapitre 4. Les Variables Aléatoires Discrètes

indépendantes chacune de probabilité de succès p, ou si X est le nombre de succès obtenus

à la suite d’une répétition n − 1 fois de façon indépendante d’une épreuve de Bernoulli
de probabilité de succès p. On note X ∼ B(n, p).

Proposition 4.3.7. Si X ∼ B(n, p) alors,

1) X(Ω) = {0, 1, 2, · · · , n}.
2) la fonction de masse de probabilité est P[X = k] = Cnk pk (1−p)n−k , k = 0, 1, 2, . . . , n.
3) i) E(X) = np et ii) Var(X) = np(1 − p).

Preuve. 1), 2) et 3) i) en cours magistral. 3) ii) en exercice! 

4.3.3 La Loi Géométrique - Geo(p)

Définition 4.3.8. (Geometric random variable). On dit qu’une variable aléatoire
(discrète) X a la loi géométrique de paramètre p, avec 0 < p < 1 et noté X ∼ Geo(p), si
X est le numbre d’épreuves de Bernoulli identiques et indépendantes nécessaires X pour
obtenir le succès la première fois à la dernière épreuve.

Proposition 4.3.9. Pour toute variable aléatoire discrète X ∼ Geo(p), on a:

1) X(Ω) = {1, 2, 3, ..., n, ...} = N∗ .
2) La fonction de masse de probabilité de X est P[X = k] = (1−p)k−1 ×p = p(1−p)k−1 ,
pour tout k ∈ X(Ω).
3) i) E(X) = 1/p et ii) Var(X) = (1 − p)/p2 .

Preuve. 1) est trivial.

2) C’est une probabilité de conjonction/intersection de k événements indépendants
Echec, Echec, ... (k − 1 fois), et enfin Succès.
3) i) On a par définition E(X) = ∞
P P∞
k=1 kP[X = k] = k=1 (k − 1 + 1)P[X = k] =
P∞ P∞
k=1 (k − 1)P[X = k] + k=1 P[X = k].

Or k=1 P[X = k] = 1 d’après 1) du Théorème 4.2.2, et on a ∞

P∞ P
k=1 (k − 1)P[X = k] =
P∞ k−1
= ∞ i ∞ i−1
P P
k=1 (k − 1)p(1 − p) i=0 ip(1 − p) = (1 − p) i=1 ip(1 − p) = (1 − p)E(X).
On ontient enfin l’équation E(X) = (1 − p)E(X) + 1, qui conduit à E(X) = 1/p.
3) ii) Technique de calcul analogue. Exercice! 

4.3.4 La Loi de Poisson - P(λ)

Définition 4.3.10. (Variable aléatoire de Poisson2 ). On dit qu’une variable aléatoire
discrète X suit la loi de Poisson de paramètre λ, avec λ ∈ R∗+ , si X(Ω) = N et sa fonction
e−λ λk
de masse de probabilité est P[X = k] = k!
, pour tout entier k ∈ N.
2
Siméon Denis Poisson (1781-1840) était une Mathématicien et Physicien Français.

39
MAT2023 UYI 2021 ©Pr. Mbele Bidima Chapitre 4. Les Variables Aléatoires Discrètes

P∞ λk
Remarque 4.3.11. D’après 1) du Théorème 4.2.2, on remarque que k=0 k! = eλ ,
qui est un résultat connu au cours d’Analyse de Séries Numériques.

Proposition 4.3.12. For any discrete random variable X ∼ P oisson(λ), we have

1) E(X) = λ.
2) Var(X) = λ.
P∞ −λ λk P∞ e−λ λk−1
P∞ e−λ λi
Preuve. 1) E(X) = k=0 ke k!
=λ k=1 (k−1)!
=λ i=0 i!
= λe−λ eλ = λ.
2) Exercise! 

Remarque 4.3.13. (Application de la loi de Poisson.). On utilise la loi de Poisson

dans l’observation du nombre de réalisation d’un évènement (de nombre moyen λ) dans
un intervalle de temps donné où λ est le nombre moyen de telles réalisations.

Exemple 4.3.14. If in average λ = 2 students busses arrive every 15min at a univer-

sity campus bus stop, what is the probability that more than 3 busses arrive at that bus
stop?

4.3.5 La Loi Uniforme Discrète - U {x1 , x2 , . . . , xn }

Définition 4.3.15. (Variable aléatoire uniforme discrète). Une variable aléatoire
discrète X : Ω → R est dite avoire la loi uniforme discrète sur un sous-ensemble fini de R
à un éléments {x1 , x2 , . . . , xn }, et on note X ∼ U {x1 , x2 , . . . , xn }, si ΩX = {x1 , x2 , . . . , xn }
et si sa fonction de masse de probabilité de X est P[X = xk ] = 1/n, pour tout k = 1, . . . , n.

Proposition 4.3.16. Si X ∼ U {x1 , x2 , . . . , xn }, alors,

1) E(X) = n1 nk=1 xk ≡ x̄, qui est la moyenne arithmétique des n nombres réels xk .
P

2) Var(X) = n1 nk=1 (xk − x̄)2 , qui est la moyenne arithmétique des carrés des écarts
P

par rapport à la moyenne arithmétique.

Preuve. Il n’y a rien à démontrer! 

40
Bibliographie

[1] S. Ross; A First Course in Probability, Eighth Edition, Pearson Prentice Hall, 2010.

41